XSL基础教程(一)

XSL 语法简介(一) XSL语法介绍首先注意到的是,XSL文件本身即是一份 XML文件,所以在XSL文件的开头,一样有和XML文件相同的声明。W3C这个XML的标准机构为XSL定义了很多标记(元素),XSL文件就是这些标记和HTML标记的组合。在XSL文件中,必须有如下一行的代码:    <xsl:stylesheet xmlns:xsl="http://www.w3.org/TR/WD-xsl">   这里,xsl: 阅读详情
XSL(eXtensible Style sheet Language),即可扩展样式表语言,是XML的亲密伙伴。要学习好XML,不能不掌握XSL。本文就向你全面讲述XSL的一切一切:

XSL介绍:介绍XSL是XML的样式表语言,XSL是什么以及它能做什么。

XSL介绍:
  XML的样式表语言XSL比CCS要复杂得多。
CSS:HTML的样式表语言:
  由于HTML使用预先确定的标记,因此这些标记的含义都很好理解:<p>元素定义一段,<h1>元素定义一个标题。浏览器知道如何显示这些元素。
  使用CSS向HTML元素增加显示格式是一个简单的过程:很容易告诉浏览器用某种特殊字体或颜色来显示各个元素,浏览器也很容易理解。

XSL:XML的样式表:
  由于XML不使用预先确定的标记(我们可以根据需要使用任意标记),因此标记的含义并不能被直接理解:<table>可以表示一个HTML表格,也可以表示一件家具。由于XML的特性,浏览器不知道如何显示一个XML文档。
  为了显示XML文档,必须要有一个机制来描述如何显示文档。这些机制之一是CSS,但是XSL(可扩展的样式表语言)是XML的首选样式表语言,它要比HTML使用的CSS复杂得多。

XSL:不仅仅是一个样式表
  XSL包含3部分:
  一个转换XML文档的方法;
  一个定义XML部分和模式的方法;
  一个格式化XML文档的方法。
  如果对此还不能理解,那么可以先将XSL理解成:一种将XML转换成HTML的语言,一种可以过滤和分类XML数据的语言,一种可以对一个XML文档的部分进行寻址的语言,一种可以基于数据值格式化XML数据的语言(如用红色显示负数),一种向不同设备输出XML数据的语言(如屏幕、纸或声音)。

XSL是一种WWW标准
  XSL是WWW协会推荐的一种标准。这种语言的前两部分在1999年11月已经成为W3C推荐标准。2000年,包括XSL格式化部分的完整XSL推荐标准成为W3C的候选标准。

 

 

XSL语言:定义XSL语言的子语言:XSLT、XPath和XSL格式对象。

XSL语言
  XSL实际上包含三种语言,其中最重要的是XSLT。
XSL是三种语言的结合体
  上面提到,XSL实际上包含三种语言,具体是:
  XSLT是一种转换XML的语言;
  XPath是一种定义XML部分或模式的语言;
  XSL格式化对象是一种定义XML显示方式的语言。
  XSLT是一种用来将XML文档转换成其他类型文档或其它XML文档的语言。XPath是一种对XML文档的部分进行寻址的语言。设计XPath是要让XSLT使用的。格式化是将一个XSL转换的结果变成适于读者或听众使用的输出格式的过程。
  1999年11月16日,XSLT和XPath被作为两个单独的W3C推荐标准发布。目前对于XSL格式化对象还没有单独的W3C文档,但是在XSL1.0推荐标准内有一个描述。

XSLT:XSL转换
  XSLT是XSL标准中最重要的部分,它用于将一个XML文档转换成另一个XML文档或另一种类型的文档,也就是将一个XML文档转换成浏览器所能识别的一种格式。这其中之一就是HTML。通常,XSLT将每个XML元素都转换成一个HTML元素。
  XSLT还可以向输出文件中增加全新的元素,或去掉一些元素。它可以重新安排这些元素并对元素进行分类,测试并确定显示哪些元素等等。
  描述这种转换过程的一个常用说法是:XSL用XSLT将一个XML来源树转换成另一个XML结果树(或将一个XML源文档转换成另一个XML结果文档)。

XSL如何工作
  在转换的过程中,XSLT用XPath来定义源文档中与一个或多个预先确定的模板相匹配的部分。当找到了一个匹配时,XSLT就将源文档中的匹配部分转换成结果文档;而源文档中不与任何一个模板匹配的部分最终在结果中保持不变。

本文集中介绍XSLT和XPath
  本文的大部分章节都集中在XSLT和XPath上。我们将用XSLT来定义XML转换,用XPath来为转换定义匹配模式。即使XSL包含了3个不同名称的不同部分,我们仍将使用XSL的通用术语。

 

 

XSL浏览器:介绍XSL的浏览器支持以及为什么用Internet Explorer 5.0来示范XSL。

XSL 浏览器
  目前支持XSL的浏览器很少,我们将用Internet Explorer 5.0来演示XSL。
Internet Explorer的XML解析器
  为了用XSL来处理一个XML文档,你需要一个带有XSL引擎的XML解析器。目前,Internet Explorer 5.0是符合这一条件的唯一浏览器。所以,本文举例中的代码只在Internet Explorer 5.0或更高版本中工作。

Internet Explorer的XSL引擎
  Internet Explorer 5.0中的XSL并不是100%的与最新发布的W3C XSL标准相吻合。在XSL标准完全固定下来之前,Internet Explorer 5就已经发布了,并且当时的XSL标准还是一个工作草稿。但是Microsoft已经承诺在下一个版本中解决这个问题。
  本文中的例子与正式的W3C XSL推荐中的例子只有很小的不同,这些例子很适用于XSL的学习。
  例子中唯一可见的区别就是XSL样式表声明:
  这是W3C XSL推荐中的标准方式:<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
  这是Internet Explorer的方式(来自XSL工作草稿):<xsl:stylesheet xmlns:xsl="http://www.w3.org/TR/WD-xsl">

Internet Explorer MSXML
  MSXML 2.0是IE 5.0所携带的XML解析器的名字,MSXML 2.5是Windows 2000所携带的解析器的名字,MSXML 3.0是XML解析器的最新版本。MSXML3.0可以从Microsoft下载,未来版本的Internet Explorer和Windows都将携带它。
  按照Microsoft的说法,MSXML 3.0与正式的W3C XSL 标准100%兼容:“MSXML 3.0比MSXML 2.5有明显的进步:安全的服务器HTTP访问,XSLT和XPath的完整执行,到SAX的改变(用于XML的简单API),与W3C标准更加一致,以及许多臭虫的修复。”

 

 

 

XSL转换:如何用XSL将XML文档转化成HTML文档,方法是向XML文档中插入一个XSL样式表引用。

XSL–转换
  本节将举例学习如何用XSL将XML转换成HTML。这个举例的细节将在下一节中解释。
从XML文档开始
  首先从打算转换成HTML的XML文档开始:
  <?xml version="1.0"?>
  <CATALOG>
   <CD>
    <TITLE>Empire Burlesque</TITLE>
    <ARTIST>Bob Dylan</ARTIST>
    <COUNTRY>USA</COUNTRY>
    <COMPANY>Columbia</COMPANY>
    <PRICE>10.90</PRICE>
    <YEAR>1985</YEAR>
   </CD>

如果使用的是Internet Explorer 5.0或更高版本,就可以查看这个XML文件的 显示结果。
创建一个XSL样式表文档
  现在用转换模板来创建一个XSL样式表:
  <?xml version='1.0'?>
  <xsl:stylesheet xmlns:xsl="http://www.w3.org/TR/WD-xsl">
  <xsl:template match="/">
   <html>
   <body>
    <table border="2" bgcolor="yellow">
     <tr>
      <th>Title</th>
      <th>Artist</th>
     </tr>
     <xsl:for-each select="CATALOG/CD">
     <tr>
      <td><xsl:value-of select="TITLE"/></td>
      <td><xsl:value-of select="ARTIST"/></td>
     </tr>
     </xsl:for-each>
    </table>
   </body>
   </html>
  </xsl:template>
  </xsl:stylesheet>

如果使用的是Internet Explorer 5.0或更高版本,就可以查看这个XSL文件的 显示结果。
将样式表连接到XML文档
  现在向XML文档中增加一个XSL样式表引用:
  <?xml version="1.0"?>
  <?xml-stylesheet type="text/xsl" href="cd_catalog.xsl"?>
  <CATALOG>
   <CD>
    <TITLE>Empire Burlesque</TITLE>
    <ARTIST>Bob Dylan</ARTIST>
    <COUNTRY>USA</COUNTRY>
    <COMPANY>Columbia</COMPANY>
    <PRICE>10.90</PRICE>
    <YEAR>1985</YEAR>
   </CD>

如果有一个与XSL兼容的浏览器,例如Internet Explorer 5.0或更高版本,那么就能很好地将XML转换成HTML。点击这里 查看结果。





XSL模板:XSL如何使用模板来定义从XML到另一种输出格式的转换。

XSL模板
  XSL用模板来描述如何输出 XML。

CSS的使用规则
  如果已经学习过CSS的知识,我们就会知道CSS是用一个或多个规则来定义HTML元素的输出,用一个选择器将规则与一个HTML元素联系起来。比如以下这个CSS规则中的p选择器说明应该用一种叫做arial的字体来显示一个<p>元素:
  p { font-family: arial }

XSL使用模板
  XSL使用一个或多个模板来定义如何输出XML元素,用一个匹配属性来将模板与一个XML元素联系起来,还可以用匹配属性来为XML文档的一个完整分支来定义模板。
  请看以下的XSL样式表,它包含一个模板以输出前一节中的XML CD目录:
     <?xml version='1.0'?>
<xsl:stylesheet xmlns:xsl="http://www.w3.org/TR/WD-xsl">
<xsl:template match="/">
<html>
<body>
<table border="1">
<tr>
<th>Title</th>
<th>Artist</th>
</tr>
<tr>
<td>.</td>
<td>.</td>
</tr>
</table>
</body>
</html>
</xsl:template>
</xsl:stylesheet>


由于样式表本身就是一个XML文档,因此文档以一个xml声明开始:<?xml


 

Vivado图形化界面烧写MCS文件到SPI FLASH全流程(附常见报错解决方案) 本文详细介绍了使用Vivado图形化界面将MCS文件烧录至SPI FLASH的完整操作流程。内容涵盖从环境准备、MCS文件生成到硬件连接与烧写的每一步,并针对SPI总线宽度报错、FLASH型号识别失败等常见问题提供了深度解决方案,帮助用户高效完成FPGA配置,摆脱对TCL命令行的依赖。 阅读详情

相关推荐

KNX实战—ETS5_智能开关从零到一的配置全流程

本文详细介绍了使用ETS5软件配置KNX智能开关的完整流程。从创建项目、构建建筑结构,到导入产品数据库、添加并配置开关模块与智能面板,再到设置延时开关、闪烁报警等进阶功能,并深入解析了群组地址的配置与链接方法。最后指导完成项目校验与程序下载,帮助用户实现从零到一的智能灯光基础控制功能配置。

joy55的博客 543

XML文件与xsl文件的作用与关系

XML文件的发明可以说是计算机领域的一大进步,有着说不清的好处,比如格式规范,跨平台等。XML文件的主要作用是数据的载体,用于承载数据。跟XML相关的格式文件还有一大堆,这里我们慢慢来说清楚。 我们知道XML是载体,那么谁来规定XML文件要遵循的格式呢?现在我们知道最通用的也是最好用的是XSD文件,XSD文件规范了XML文件需要遵循的格式。一般在通过Message Queue这种平台做数据...

写代码的蜗牛 2万+

汇川PLC用户程序结构详解:如何像搭积木一样配置多任务?附EtherCAT最佳实践

本文深入解析汇川PLC用户程序结构,阐述如何像搭积木一样,通过POU、FB、FC等模块化组件高效配置多任务。文章重点结合EtherCAT通讯场景,分享了任务周期、优先级设置的最佳实践与关键避坑指南,帮助工程师构建稳定、高效的运动控制系统。

weixin_29184075的博客 541

XSL基础教程

XSL(eXtensible Style sheet Language),即可扩展样式表语言,是XML的亲密伙伴。要学习好XML,不能不掌握XSL。本文就向你全面讲述XSL的一切一切:XSL介绍:  XML的样式表语言XSL比CCS要复杂得多。 CSS:HTML的样式表语言:   由于HTML使用预先确定的标记,因此这些标记的含义都很好理解:元素定义一段,元素定义一个标题。浏览器知道如何显示这些元

yuyu`s Blog 2743

UnityWebGL异常捕获全攻略:从报错提示到完美解决的3种配置方案

本文详细解析了UnityWebGL项目中异常捕获的三种核心配置方案:禁用异常、仅捕获显式异常以及完全捕获异常(无堆栈跟踪)。通过对比不同方案在构建体积、运行性能及错误信息详细度上的差异,帮助开发者根据开发、测试与发布阶段的不同需求,选择并配置最优的异常处理策略,从而有效提升WebGL应用的调试效率和线上稳定性。

5f4d3s2a1q的博客 400

APP签名验证全栈破解:Frida Hook绕过+算法逆向+Python一键调用(附可运行脚本)

做过APP逆向和爬虫的同学,肯定都被签名验证折磨过:改了一行代码重新打包,APP直接闪退;抓包看到接口有个sign参数,翻遍JS找不到加密逻辑;好不容易找到加密函数,一调用就崩溃。客户端APK签名校验服务端接口签名验证。前者防止你篡改APP,后者防止你伪造请求。很多人卡在第一步,改完APK就闪退,根本没机会碰接口。本文基于真实项目实战,分享一套通用的签名验证破解方案。从客户端APK签名校验的Frida Hook绕过,到服务端sign算法的逆向还原,最后用Python实现一键调用。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 965

计算机文档xsl,XSL文件扩展名 - 什么是.xsl以及如何打开? - ReviverSoft

你在这里因为你有,有一个文件扩展名结尾的​​文件.xsl.文件与文件扩展名.xsl只能通过特定的应用程序推出。这有可能是.xsl文件是数据文件,而不是文件或媒体,这意味着他们并不是在所有观看。什么是一&nbsp.xsl&nbsp文件?该的.xsl文件扩展名不直接与只是一个单一的应用程序相关联。这是因为它主要是被称为定义的文本样式,图表和表格的文件格式,以及其他的XML文...

weixin_34140828的博客 3841

Claude Code 错误解决方案 API Error: 前缀通用错误

本文分析了Claude Code与Anthropic API通信时出现的通用错误处理问题。当API返回未分类错误时,系统会直接显示"API Error: "前缀的原始错误信息。通过错误链路追踪发现,这是由于未匹配特定错误类型时触发了通用兜底处理逻辑。文章提供了三种解决方案:查看具体错误内容、启用调试日志以及提交问题反馈,并建议用户关注错误码、使用/compact命令处理上下文超限问题。最后强调这些未分类错误是预期行为,用户应通过错误消息中的线索自行排查或反馈开发者。

多媒体编程、网络编程、系统编程、网络安全编程、驱动编程 1351

xml中xsd/xsi/xsl/xmlns的区别和联系

xml中xsd/xsi/xsl/xmlns的区别和联系

LiangDongPath的博客 3371

ESP32开发板使用Arduino实现变成蓝牙鼠标教程

通过这个教程,你可以轻松将ESP32开发板变成蓝牙鼠标。如果你在使用过程中遇到任何问题,或者库没有正常工作,不妨下载我上传的修复版本,再试试看。希望你们能根据这个基础做出更多有趣的蓝牙控制项目!

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 970

【Unity Shader】Special Effects(十二)Glow 外发光(UI)

Properties_GlowColor ("外发光颜色", Color) = (0, 0, 0, 1)_GlowIntensity("外发光强度", Range(0, 1)) = 1参数详解:_GlowColor:外发光颜色,指定外发光的显示颜色。_GlowIntensity:外发光强度,指定外发光的显示强度,0为不可见,1为最强强度。

神码编程 936

什么是XSL

什么是XSL<!--google_ad_client = "pub-2986370686825330";google_alternate_color = "FFFFFF";google_ad_width = 250;google_ad_height = 250;google_ad_format = "250x250_as";google_ad_type = "text_

半亩方塘 3420

3.详解Labview串口通讯--从串口线连接到串口通讯保姆级教程

本文非常详细的介绍了使用Labview实现串口通讯,读完题主这篇文章,即使你是今天刚下载的Labview,也能熟练的连接并驱动串口执行,接下来和我一起学习下,记得关注并点赞不迷路

关注我,更多技术问题欢迎私聊~ 1万+

XSL函数一

XSL函数一   本期学习XSL样式方法,即可用于XSL元素、、的select属性、的match属性、、的test属性中,对元素的范围进行筛选,从而提供更大的灵活性。  XML与DHTML(动态HTML)一样,这些节点都是一个个对象,而且这些对象都是有层次的,从根节点开始构成一颗层次清淅的树状结构,这就形成了文档对象模型DOM,通过对象的属性、方法来达到访问控制XML节点的目的。  我

itbook的专栏 710

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

跟我学XSL(一)

 跟我学XSL(一)随着Internet的发展,越来越多的信息进入互联网,信息的交换、检索、保存及再利用等迫切的需求使HTML这种最常用的标记语言已越来越捉襟见肘。 HTML将数据内容与表现融为一体,可修改性、数据可检索性差,而XML借鉴了HTML与数据库、程序语言的优点,将内容与表现分开,不仅使检索更为方 便,更主要的是用户之间数据的交换更加方便,可重用性更强。   XML是一种元标记语言,

zhoudm2005 463

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

xsl函数一

本期学习XSL样式方法,即可用于XSL元素、、的select属性、的match属性、、的test属性中,对元素的范围进行筛选,从而提供更大的灵活性。  XML与DHTML(动态HTML)一样,这些节点都是一个个对象,而且这些对象都是有层次的,从根节点开始构成一颗层次清淅的树状结构,这就形成了文档对象模型DOM(Document Object Model),通过对象的属性、方法来达到访问控制XM

tony508的专栏 451

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

跟我学XSL(一)(转)

随着Internet的发展,越来越多的信息进入互联网,信息的交换、检索、保存及再利用等迫切的需求使HTML这种最常用的标记语言已越来越捉襟见肘。HTML将数据内容与表现融为一体,可修改性、数据可检索性差,而XML借鉴了HTML与数据库、程序语言的优点,将内容与表现分开,不仅使检索更为方便,更主要的是用户之间数据的交换更加方便,可重用性更强。   XML是一种元标记语言,没有许多固定的标记,为WEB

hyde82的专栏 3388

XSL-FO知识点【一】

XSL-FO 用于格式化供输出的 XML 数据。 什么是 XSL-FO? XSL-FO 是用于格式化 XML 数据的语言 XSL-FO 指可扩展样式表语言格式化对象(Extensible Stylesheet Language Formatting Objects) XSL-FO 是一个 W3C 推荐标准 XSL-FO 目前通常被称为 XSL XSL-FO 和格式化有关 XSL-F...

HMing的博客 206

XSL概述(一)

XSL,EXtensible Stylesheet Language,可扩展样式语言。 你说他是样式吧,他说他是语言,因为他支持表达式和执行逻辑; 你说他是语言吧,他还真能实现类似把一个word文件变成pdf的功能。 下面是一个简单的XSL文件: http://www.w3.org/1999/XSL/Transform" version="1.0">     从上文x

兔死银牌 1665

XSL基础教程(一)

XSL介绍:介绍XSL是XML的样式表语言,XSL是什么以及它能做什么。 XSL介绍:   XML的样式表语言XSL比CCS要复杂得多。 CSS:HTML的样式表语言:   由于HTML使用预先确定的标记,因此这些标记的含义都很好理解:<p>元素定义一段,<h1>元素定义一个标题。浏览器知道如何显示这些元素。   使用CSS向HTML元素增加显示格式是一个...

weixin_34327761的博客 97

跟我学XSL(7)XSL函数一

<!--google_ad_client = "pub-2947489232296736";/* 728x15, 创建于 08-4-23MSDN */google_ad_slot = "3624277373";google_ad_width = 728;google_ad_height = 15;//--><script type="text/javascript"

zgqtxwd的专栏 287

XSL简介(一)

XSL(一)   有人说XSL是CSS的替换者,真的吗?   1、简介  XSL是一种描述样式单的语言,包括XSLT、XPath和XML格式对象三部分。  与HTML不同,XML没有预定义的标签,所以浏览器不知道如何显示XML文档,而XSL就是XML之外用以说明如何显示的。   2、XSLT  XSLT是一种将XML文档转换为另一种格式XML文档的语言。XML利用XSLT将源XML树转换...

weixin_34384557的博客 155
上一篇: XML: XSL 专题
下一篇: 用TreeView实现树菜单
c_sharp_Rookie
博客等级 码龄18年 42粉丝 23原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值